【竞赛项目详解】二手车交易价格预测(附源码)

1 项目简介

赛题以预测二手车的交易价格为任务,数据来自某交易平台的二手车交易记录,总数据量超过40w,包含31列变量信息,其中15列为匿名变量。从中抽取15万条作为训练集,5万条作为测试集,同时对name、model、brand和regionCode等信息进行脱敏。评价标准为MAE。详情请看天池

特征表如下所示。
在这里插入图片描述

2 项目分析

2.1 数据分析(EDA)

EDA是数据挖掘最基础也是最重要的一步,通过统计量分析,关联度分析等方法分析数据特征,挖掘与预测值强相关的特征,处理无用值、缺失值与异常值。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')

# 载入数据
train_data=pd.read_csv('../data/used_car_train_20200313.csv',sep=' ')
test_data=pd.read_csv('../data/used_car_testB_20200421.csv',sep=' ')

## 简略观察数据(head()+tail()+shape)
train_data.head().append(train_data.tail())
train_data.shape
test_data.head().append(train_data.tail())
test_data.shape

# describe()熟悉数据的相关统计量
train_data.describe()
test_data.describe()

# info()熟悉数据类型
train_data.info()
test_data.info()

# isnull().sum()查看每列nan
train_data.isnull().sum()
test_data.isnull().sum()

# value_counts()查看异常值
train_data['notRepairedDamage'].value_counts()
train_data['notRepairedDamage'].replace('-',np.nan,inplace=True) # 缺失值先换为nan
train_data['notRepairedDamage'].value_counts()
train_data.isnull().sum()
test_data['notRepairedDamage'].value_counts()
test_data['notRepairedDamage'].replace('-',np.nan,inplace=True)
test_data['notRepairedDamage'].value_counts()
test_data.isnull().sum()

# 删除无用值
del train_data['seller']
del test_data['seller']
del train_data['offerType']
del test_data['offerType']

# 了解预测值的分布
train_data['price']
train_data['price'].value_counts()

# 总体分布概况
import scipy.stats as st
y=train_data['price']
plt.figure(1)
plt.title('johnson su')
sns.distplot(y,kde=False,fit=st.johnsonsu)
plt.figure(2)
plt.title('normal')
sns.distplot(y,kde=False,fit=st.norm)
plt.figure(3)
plt.title('log normal')
sns.distplot(y,kde=False,fit=st.lognorm)

# 查看偏度与峰值
sns.distplot(train_data['price'])
print('skewness:%f'%train_data['price'].skew())
print('kurtosis:%f'%train_data['price'].kurt())

sns.distplot(train_data.skew(),color='blue',axlabel='skewness')
sns.distplot(train_data.kurt(),color='orange',axlabel='kurtosis')

# 对数变换
plt.hist(np.log(train_data['price']),orientation='vertical',histtype='bar',color='red')
plt.show()

# 下面的方法适用于没有进行特征编码的数据,这里不适用,需要人为根据实际含义来区分
# 数字特征
# numeric_features = train_data.select_dtypes(include=[np.number])
# numeric_features.columns
# 类型特征
# categorical_features = train_data.select_dtypes(include=[np.object])
# categorical_features.columns
numeric_features=['power','kilometer','v_0','v_1', 'v_2', 'v_3', 'v_4', 'v_5', 'v_6', 'v_7', 'v_8', 'v_9', 'v_10', 'v_11', 'v_12', 'v_13','v_14']
categorical_features=['name', 'model', 'brand', 'bodyType', 'fuelType', 'gearbox', 'notRepairedDamage', 'regionCode']

# 数字特征分析
numeric_features.append('price')
numeric_features
# 与预测值的相关性分析
price_numeric=train_data[numeric_features]
correlation=price_numeric.corr()
print(correlation['price'].sort_values(ascending=False),'\n')
# 与预测值的相关性可视化
f,ax=plt.subplots(figsize=(7,7))
plt.title('correlation of numeric features with price',y=1,size=16)
sns.heatmap(correlation,square=True,vmax=0.8)
del price_numeric['price']
# 查看数字特征的偏度与峰值
for col in numeric_features:
    print('{:15}'.format(col),'skewness:{:05.2f}'.format(train_data[col].skew()),'  ','kurtosis:{:06.2f}'.format(train_data[col].kurt()))
# 数字特征的分布可视化
f=pd.melt(train_data,value_vars=numeric_features)
g=sns.FacetGrid(f,col='variable',col_wrap=2,sharex=False,sharey=False)
g=g.map(sns.distplot,'value')

# 类别特征分析
# nunique分布
for feat in categorical_features:
    print('{}特征有{}不同的值'.format(feat,train_data[feat].nunique()))
# 类别特征的分布可视化,name与regionCode太稀疏可以不画
categorical_features=['model','brand','bodyType','fuelType','gearbox','notRepairedDamage']
# 类型转换,填充缺失值
for col in categorical_features:
    train_data[col]=train_data[col].astype('category')
    if train_data[col].isnull().any():
        train_data[col]=train_data[col].cat.add_categories(['MISSING'])
        train_data[col]=train_data[col].fillna('MISSING')
        
def boxplot(x,y,**kwargs):
    sns.boxplot(x=x,y=y)
    x=plt.xticks(rotation=90)
    
f=pd.melt(train_data,id_vars='price',value_vars=categorical_features)
g=sns.FacetGrid(f,col='variable',col_wrap=2,sharex=False,sharey=False,size=5)
g=g.map(boxplot,'value','price')
2.2 难点分析
  1. 利用EDA挖掘构造强相关特征
  2. 训练出融合的模型
2.3 可行性方案分析
  1. 只采用NN模型,可省略特征工程;
  2. 采用ML单模型,如xgb,lgb等,特征工程是关键;
  3. 采用模型融合

3 方案设计

3.1 特征工程
  1. 时间类特征:获取年、月等特征;
  2. 类别特征:先进行分桶,再进行特征交叉,得到其统计量数据以及峰值与偏度,构造更多特征;
  3. 匿名特征:由EDA可知,14个匿名特征分布均匀,可以保留,进行特征组合,构造更多的特征,尤其是与预测值强相关的匿名特征。
def feature_engineering(data, train_data):
    # 时间类特征
    data['regDate'] = data['regDate'].apply(date_process)
    data['creatDate'] = data['creatDate'].apply(date_process)
    data['regDate_year'] = data['regDate'].dt.year
    data['regDate_month'] = data['regDate'].dt.month
    data['regDate_day'] = data['regDate'].dt.day
    data['creatDate_year'] = data['creatDate'].dt.year
    data['creatDate_month'] = data['creatDate'].dt.month
    data['creatDate_day'] = data['creatDate'].dt.day
    data['car_age_day'] = (data['creatDate'] - data['regDate']).dt.days
    data['car_age_year'] = round(data['car_age_day'] / 365, 1)

    # 地区类特征
    data['regionCode_count'] = data.groupby(['regionCode'])['SaleID'].transform('count')
    data['city'] = data['regionCode'].apply(lambda x: str(x)[:2])

    # 可分类特征,进行分桶
    bin = [i * 10 for i in range(31)]
    data['power_bin'] = pd.cut(data['power'], bin, labels=False)
    tong = data[['power_bin', 'power']].head()

    bin = [i * 10 for i in range(24)]
    data['model_bin'] = pd.cut(data['model'], bin, labels=False)
    tong = data[['model_bin', 'model']].head()

    # 可分类特征组合,与目标特征price组合
    data = feature_merge(data, train_data, 'regionCode')
    data = feature_merge(data, train_data, 'brand')
    data = feature_merge(data, train_data, 'model')
    data = feature_merge(data, train_data, 'kilometer')
    data = feature_merge(data, train_data, 'bodyType')
    data = feature_merge(data, train_data, 'fuelType')

    # 其他可分类特征组合
    feat1 = 'regionCode'
    train_gb = data.groupby(feat1)
    infos_dic = {}
    for key, value in train_gb:
        info_dic = {}
        value = value[value['car_age_day'] > 0]

        info_dic[feat1 + '_days_max'] = value.car_age_day.max()
        info_dic[feat1 + '_days_min'] = value.car_age_day.min()
        info_dic[feat1 + '_days_mean'] = value.car_age_day.mean()
        info_dic[feat1 + '_days_std'] = value.car_age_day.std()
        info_dic[feat1 + '_days_sum'] = value.car_age_day.sum()
        info_dic[feat1 + '_days_median'] = value.car_age_day.median()

        infos_dic[key] = info_dic
    df = pd.DataFrame(infos_dic).T.reset_index().rename(columns={"index": feat1})
    data = data.merge(df, how='left', on=feat1)

    train_gb = data.groupby(feat1)
    infos_dic = {}
    for key, value in train_gb:
        info_dic = {}
        value = value[value['power'] > 0]

        info_dic[feat1 + '_days_max'] = value.power.max()
        info_dic[feat1 + '_days_min'] = value.power.min()
        info_dic[feat1 + '_days_mean'] = value.power.mean()
        info_dic[feat1 + '_days_std'] = value.power.std()
        info_dic[feat1 + '_days_sum'] = value.power.sum()
        info_dic[feat1 + '_days_median'] = value.power.median()

        infos_dic[key] = info_dic
    df = pd.DataFrame(infos_dic).T.reset_index().rename(columns={"index": feat1})
    data = data.merge(df, how='left', on=feat1)

    # 匿名特征组合
    feat2 = 'v_3'
    train_gb = data.groupby(feat1)
    infos_dic = {}
    for key, value in train_gb:
        info_dic = {}
        value = value[value[feat2] > -10000000]

        info_dic[feat1 + '_' + feat2 + '_max'] = value.v_3.max()
        info_dic[feat1 + '_' + feat2 + '_min'] = value.v_3.min()
        info_dic[feat1 + '_' + feat2 + '_mean'] = value.v_3.mean()
        info_dic[feat1 + '_' + feat2 + '_std'] = value.v_3.std()
        info_dic[feat1 + '_' + feat2 + '_sum'] = value.v_3.sum()
        info_dic[feat1 + '_' + feat2 + '_median'] = value.v_3.median()

        infos_dic[key] = info_dic
    df = pd.DataFrame(infos_dic).T.reset_index().rename(columns={'index': feat1})
    data = data.merge(df, how='left', on=feat1)

    feat3 = 'v_0'
    train_gb = data.groupby(feat1)
    infos_dic = {}
    for key, value in train_gb:
        info_dic = {}
        value = value[value[feat3] > -10000000]

        info_dic[feat1 + '_' + feat3 + '_max'] = value.v_0.max()
        info_dic[feat1 + '_' + feat3 + '_min'] = value.v_0.min()
        info_dic[feat1 + '_' + feat3 + '_mean'] = value.v_0.mean()
        info_dic[feat1 + '_' + feat3 + '_std'] = value.v_0.std()
        info_dic[feat1 + '_' + feat3 + '_sum'] = value.v_0.sum()
        info_dic[feat1 + '_' + feat3 + '_median'] = value.v_0.median()

        infos_dic[key] = info_dic
    df = pd.DataFrame(infos_dic).T.reset_index().rename(columns={'index': feat1})
    data = data.merge(df, how='left', on=feat1)

    # 特征交叉,针对匿名特征及重要性高的可分类特征
    for i in range(15):
        for j in range(15):
            data['new' + str(i) + '*' + str(j)] = data['v_' + str(i)] * data['v_' + str(j)]

    for i in range(15):
        for j in range(15):
            data['new' + str(i) + '+' + str(j)] = data['v_' + str(i)] + data['v_' + str(j)]

    for i in range(15):
        data['new' + str(i) + '*power'] = data['v_' + str(i)] * data['power']

    for i in range(15):
        data['new' + str(i) + '*day'] = data['v_' + str(i)] * data['car_age_day']

    for i in range(15):
        data['new' + str(i) + '*year'] = data['v_' + str(i)] * data['car_age_year']

    return data
3.2 模型构建与训练

本项目最终选择lgb+catb+nn。采用正则化,早停法,10折交叉验证等方法防止过拟合,训练模型。

def final_model(x_train_tree, x_test_tree, y_train_tree, x_train_nn, x_test_nn, y_train_nn):
    # lgbm模型
    predictions_lgbm, oof_lgbm = lgbm_model(x_train_tree, x_test_tree, y_train_tree)

    # catb模型
    predictions_catb, oof_catb = catb_model(x_train_tree, x_test_tree, y_train_tree)

    # 树模型stack
    predictions_tree, oof_tree = stack_model(predictions_lgbm, predictions_catb, oof_lgbm, oof_catb, y_train_tree)

    # nn模型
    predictions_nn, oof_nn = nn_model(x_train_nn, x_test_nn, y_train_nn)

    # nn模型+树模型stack
    predictions = (predictions_tree + predictions_nn) / 2
    oof = (oof_tree + oof_nn) / 2
    point = mean_absolute_error(oof, np.expm1(y_train_nn))
    print("final model mae:{:<8.8f}".format(point))

    return predictions

4 结果分析

线上MAE为405.67,与SOTA有一定差距,个人认为可以从特征工程做优化,挖掘更多强相关的特征。

5 源码链接

Github

  • 17
    点赞
  • 214
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
股票价格走势预测是金融领域的一个重要问题,而MATLAB是一种强大的数学计算软件,可以用来进行股票价格走势预测。 一般来说,股票价格走势预测可以分为两种方法:基于技术分析和基于基本分析。技术分析主要是通过对历史股价的走势、成交量和其他指标进行分析,来预测未来股价的走势。基本分析则是通过对公司的基本面进行分析,来预测未来股价的走势。 在MATLAB中,可以使用各种算法来进行股票价格走势预测,例如ARIMA模型、神经网络模型、支持向量机模型等。其中,ARIMA模型是一种常用的模型,它可以对时间序列数据进行建模和预测,具有较好的预测能力。 下面以ARIMA模型为例,介绍如何使用MATLAB进行股票价格走势预测: 1. 数据准备 首先需要准备股票价格的历史数据,可以从股票交易所或者各大财经网站上获取。将数据导入MATLAB中,并进行数据清洗和处理。 2. 模型拟合 使用MATLAB中的arima函数,对历史数据进行ARIMA模型的拟合。可以使用aic、bic、loglik等指标来选择最优的ARIMA模型。 3. 模型预测 使用MATLAB中的forecast函数,对未来股票价格进行预测。可以设置预测的时间范围和置信区间等参数。预测结果可以通过图表展示出来,方便进行可视化分析。 4. 模型评估 对预测结果进行评估,可以使用各种指标来衡量预测的准确度和稳定性。例如均方误差、平均绝对误差、对称平均绝对百分误差等。 总之,MATLAB可以很好地应用于股票价格走势预测中,通过选择合适的算法和模型参数,可以得到比较准确的预测结果。但需要注意的是,股票价格走势预测是一个复杂的问题,不同的算法和模型可能适用于不同的股票和市场情况,需要结合实际情况进行选择和调整。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值